Signal/Noise Analysis to Compare Tests for Measuring Visual Field Loss and Its Progression
Notice bibliographique
Résumé
PURPOSE: To describe a methodology for establishing signal-to-noise ratios (SNRs) for different perimetric techniques, and to compare SNRs of frequency-doubling technology (FDT2) perimetry and standard automated perimetry (SAP). METHODS: Fifteen patients with open-angle glaucoma (median MD, -2.6 dB, range +0.2 to -16.1 dB) were tested six times with FDT2 and SAP (SITA Standard program 24-2) within a 4-week period. Signals were estimated from the average superior-inferior difference between the mean deviation (MD) values in five mirror-pair sectors of the Glaucoma Hemifield Test, and noise from the dispersion of these differences over the six repeated tests. SNRs of FDT2 and SAP were compared by mixed-effects modeling. RESULTS: There was moderate correlation between the signals of FDT2 and SAP (r(2) = 0.68, P < 0.001), but no correlation of noise (r(2) = 0.01, P = 0.16). Although both signal as well as noise estimates were higher with FDT2 compared with SAP, 60% to 70% of sector pairs showed higher SNRs with FDT2. The SNRs of FDT2 were between 20% and 40% higher than those of SAP (P = 0.01). There were no meaningful differences between parametric and nonparametric estimates of signal, noise, or SNR. CONCLUSION: The higher SNRs of FDT2 suggest that this technique is at least as efficient as SAP at detecting localized visual field losses. Signal/noise analyses may provide a useful approach for comparing visual field tests independent of their decibel scales and may provide an initial indication of sensitivity to visual field change over time.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,035 | 0,086 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».